CN112700627B - 一种冷却塔补水异常告警方法、装置及终端设备 - Google Patents

Abstract

本发明适用于节能领域，提供了一种冷却塔补水异常告警方法、装置及终端设备，其中，所述方法包括：接收远传水表中传感器的冷却塔补水数据；通过机器学习算法，判断冷却塔补水量是否符合预设条件；若否，则向终端设备发送提示信息，用于实时告警提示。本发明通过对远传水表中传感器的冷却塔补水数据的监测很好的解决了现有技术中由浮球阀里面的阀杆生锈或者有杂质所造成的水资源、人力和时间浪费的问题。

Description

一种冷却塔补水异常告警方法、装置及终端设备

技术领域

本发明属于节能领域，尤其涉及一种冷却塔补水异常告警方法、装置及终端设备。

背景技术

冷却塔补水多采用在冷却塔塔盘处的集水槽或积水池装设浮球阀来补水。浮球阀的一端连接在补水接口，一端是球体，浮球阀的球体漂浮在水面上，随着水面的起伏而波动。水面高，浮球阀就会高，水面低，浮球阀就会低，浮球阀会紧紧的贴合水面。当喷淋水飘逸、蒸发的时候，水面就会降低，浮球阀在降低的同时会打开补水接口，从而实现冷却水自动补水；随着补水的持续，水量增多，水面上涨，浮球阀就会上涨，涨到一定的水位线，补水管口就会被浮球阀自动关上。通过对浮球阀的控制，从而可以达到自动补水、停水的效果。

但以上方式存在一种风险，当浮球阀里面的阀杆生锈或者有杂质，会导致浮球阀卡死，此时就可能发生持续补水，导致大量补水从溢水管溢流，形成大量水资源浪费。为了减免以上故障导致的水资源浪费，运维人员需要按期(如每天上、下午各一次)观察补水托盘，检查浮球阀是否正常，是否存在异常溢流现象；由于冷却塔一般安置在建筑屋面，而冷水机房在建筑地下一层，就导致运维人员来回巡视，从而造成耗费大量人力和时间。

发明内容

有鉴于此，本发明提供了一种冷却塔补水异常告警方法、装置及终端设备，以解决现有技术中由浮球阀里面的阀杆生锈或者有杂质所造成的水资源、人力和时间浪费的问题。

本发明实施例的第一方面，提供了一种冷却塔补水异常告警方法，包括：接收远传水表中传感器的冷却塔补水数据，所述冷却塔补水数据为遥脉值；

通过机器学习算法，判断冷却塔补水量是否符合预设条件，所述冷却塔补水量为当前时间前一段时间的累积补水量；

若否，则向终端设备发送提示信息，用于实时告警提示。

在一些实施例中，通过机器学习算法，判断冷却塔补水量是否符合预设条件，具体包括：

计算补水倍率；

根据补水倍率，通过机器学习算法，判断冷却塔补水量是否符合预设条件。

在一些实施例中，计算补水倍率，具体包括：

基于冷却塔补水数据，获取冷却塔各个时间段补水量；

计算当前时间前一段时间的累积补水量；

计算历史时段的单位时间的平均补水量，所述单位时间与所述前一段时间相等；

基于所述累积补水量和平均补水量，计算补水倍率；

补水倍率的计算公式为：

其中，Q1为累计补水量，Q2为平均补水量，N为补水倍率。

在一些实施例中，根据补水倍率，通过机器学习算法，判断冷却塔补水量是否符合预设条件，具体包括：

若补水倍率大于补水阈值，则冷却塔补水量不符合预设条件；

若补水倍率小于补水阈值，则冷却塔补水量符合预设条件。

在一些实施例中，根据补水倍率，通过机器学习算法，判断冷却塔补水量是否符合预设条件之前，还包括：

设定补水阈值。

在一些实施例中，设定补水阈值，具体包括：

获取天气参数，所述天气参数包括风速、环境干球温度和空气湿度因子；

通过机器学习算法，确定风速因子、干球温度因子和空气湿度因子的值；

基于所述风速因子、干球温度因子和空气湿度因子，计算补水阈值。

在一些实施例中，补水阈值的计算公式为：

N1＝N2×α1×α2×α3，

其中，N1为补水阈值，N2为补水安全倍率，α1为风速因子，α2为干球温度因子，α3为空气湿度因子。

本发明实施例的第二方面，提供了一种冷却塔补水异常告警装置，包括：数据接收模块，被配置为接收远传水表中传感器的冷却塔补水数据，所述冷却塔补水数据为遥脉值；

数据判断模块，被配置为通过机器学习算法，判断冷却塔补水量是否符合预设条件，所述冷却塔补水量为当前时间前一段时间的累积补水量；

信息提示模块，被配置为若否，则向终端设备发送提示信息，用于实时告警提示。

本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述冷却塔补水异常告警方法的步骤。

本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述冷却塔补水异常告警方法的步骤。

本发明实施例提供的一种冷却塔补水异常告警方法的有益效果至少在于：本发明实施例首先通过接收远传水表中传感器的冷却塔补水数据；其次通过机器学习算法，判断冷却塔补水量是否符合预设条件；最后若冷却塔补水量不符合预设条件，则向终端设备发送提示信息，用于实时告警提示，从而解决了由浮球阀里面的阀杆生锈或者有杂质所造成的水资源、人力和时间浪费的问题。本发明基于远传水表、通讯系统和云平台，实现对补水量的实时监视，通过对其数据进行智能分析，判断是否存在补水异常，可及时发现异常并告警，也就有效的避免了浮球阀故障导致的大量无效补水。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的冷却塔补水异常告警方法的流程图；

图2是本发明实施例提供的通过机器学习算法，判断冷却塔补水量是否符合预设条件的流程图；

图3是本发明实施例提供的计算补水倍率的流程图；

图4是本发明实施例提供的设定补水阈值的流程图；

图5是本发明实施例提供的冷却塔补水异常告警装置的实现流程示意图；

图6是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

第一实施例

图1是本发明在一实施例中提供的冷却塔补水异常告警方法的流程图。

如图1所示，所述冷却塔补水异常告警方法，包括步骤S110-S130：

S110，接收远传水表中传感器的冷却塔补水数据。

在本实施例中，远传水表是普通机械水表加上电子采集发讯模块而组成，电子模块完成信号采集、数据处理、存储并将数据通过通信线路上传给中继器、或手持式抄表器。表体采用一体设计，它可以实时的将用户用水量记录并保存，或者直接读取当前累计数，每块水表都有唯一的代码，当智能水表接收到抄表指令后可即时将水表数据上传给管理系统。远传水表安装于冷却塔补水水管处，可以检测到冷却塔的补水数据。基于远传水表中传感器所采集到的冷却塔补水数据为遥脉值，即是一定时间内的累积值。

在本实施例中，远传水表中传感器不能直接将采集到的补水数据传送至云平台，因此，远传水表中传感器先将冷却水数据传送至泛能盒子，泛能盒子再将补水数据传送至云平台。泛能盒子为一种数据转化或传输设备，包括壳体，以及设置在所述壳体中的远程终端单元、信号转换模块以及接口装置；其中，接口装置与远程终端单元或信号转换模块连接，用于连接外部的数据采集终端远传水表；与远程终端单元连接的接口装置，用于接收并传输与其连接的数据采集终端远传水表的冷却塔补水数据至远程终端单元；远程终端单元，用于将接收到泛能盒子的补水数据发送至云平台，云平台可对冷却塔补水数据进行分析处理。特别地，云平台为云端智慧管控云平台，云端智慧管控云平台通过通信与终端设备、泛能盒子、天气预报Api连接。

S120，通过机器学习算法，判断冷却塔补水量是否符合预设条件。

S130，若否，则向终端设备发送提示信息，用于实时告警提示。

在本实施例中，当冷却塔补水量不满足预设条件时，向终端设备发送提示信息，可以达到及时提醒相关人员进行处理的效果，从而解决了由浮球阀里面的阀杆生锈或者有杂质所造成的水资源、人力和时间浪费的问题。

在本实施例中，首先通过接收远传水表中传感器的冷却塔补水数据；其次通过机器学习算法，判断冷却塔补水量是否符合预设条件；最后若冷却塔补水量不符合预设条件，则向终端设备发送提示信息，用于实时告警提示，从而解决了由浮球阀里面的阀杆生锈或者有杂质所造成的水资源、人力和时间浪费的问题。

具体地，步骤S120，通过机器学习算法，判断冷却塔补水量是否符合预设条件的具体实现方法请参见图2，图2为本发明在一实施例中提供的通过机器学习算法，判断冷却塔补水量是否符合预设条件的流程图。

如图2所示，通过机器学习算法，判断冷却塔补水量是否符合预设条件，包括步骤S210-S220：

S210，计算补水倍率。

S220，根据补水倍率，通过机器学习算法，判断冷却塔补水量是否符合预设条件。

具体地，步骤S220，根据补水倍率，通过机器学习算法，判断冷却塔补水量是否符合预设条件，具体包括：

若补水倍率大于补水阈值，则冷却塔补水量不符合预设条件；

若补水倍率小于补水阈值，则冷却塔补水量符合预设条件。

所述冷却塔补水量为当前时间前一段时间的累积补水量。

具体地，S210，计算补水倍率的具体实现方法请参见图3，图3为本发明在一实施例中提供的计算补水倍率的流程图。

如图3所示，计算补水倍率，包括步骤S310-S340：

S310，基于冷却塔补水数据，获取冷却塔各个时间段补水量。

S320，计算当前时间前一段时间的累积补水量。

S330，计算历史时段的单位时间的平均补水量。

S340，基于所述累积补水量和平均补水量，计算补水倍率。

具体地，冷却塔补水数据为遥脉值，即是一定时间内的累积值，所以可以根据冷却塔补水数据，获取冷却塔各个时间段补水量；然后计算当前时间前一段时间的累积补水量和计算历史时段的单位时间的平均补水量，所述单位时间与所述前一段时间相等，例如为当前时间1小时的累积补水量，则平均补水量为历史时段的1小时的平均补水量，历史时段可根据实际经验进行选取，可以是2小时、3小时、10小时、24小时等；最后根据累积补水量和平均补水量，计算补水倍率，补水倍率的计算公式为：

其中，Q1为累计补水量，Q2为平均补水量，N为补水倍率。

具体地，计算补水倍率后，可以根据补水倍率和补水阈值的大小来判断冷却塔补水量是否符合预设条件，那么在判断之前需要获取补水阈值，设定补水阈值的具体实现方法请参见图4，图4为本发明在一实施例中提供的设定补水阈值的流程图。

如图4所示，设定补水阈值，包括步骤S410-S430：

S410，获取天气参数。

S420，通过机器学习算法，确定风速因子、干球温度因子和空气湿度因子的值。

S430，基于所述风速因子、干球温度因子和空气湿度因子，计算补水阈值。

具体地，在步骤S410，获取天气参数中，冷却塔运行区域的天气参数可以通过天气预报API获取得到。天气预报API是一个针对一个地点或一个地区，查询当前天气编写的一个API调用接口，一般返回为XML或者JSON格式报文，通过此接口可以获取湿球温度、干球温度、风速、太阳辐射强度、风向、空气湿度等数据的信息。

具体地，若考虑到风速、干球温度和空气湿度这三个天气参数对冷却塔补水量的影响，风速因子、干球温度因子和空气湿度因子为对冷却塔补水量的影响因子，即是影响参数，影响因子的大小表示对冷却塔补水量的影响程度；可以根据机器学习确定风速因子、干球温度因子和空气湿度因子。若只考虑风速、干球温度和空气湿度这三个天气参数对冷却塔补水量的影响，补水阈值的计算公式为：

N1＝N2×α1×α2×α3，

其中，N1为补水阈值，N2为补水安全倍率，α1为风速因子，α2为干球温度因子，α3为空气湿度因子。

特别地，当实际补水量为平均补水量的倍数小于或者补水安全倍率时，实际补水量满足生产需求，且实际补水量为正常状态。补水安全倍率可以根据实际经验进行确定，当其中的一个参数对冷却塔补水量没有影响时，该参数所对应的参数因子取值为1。

具体地，在实际工程中，不仅风速、干球温度和空气湿度会对冷却塔补水量产生影响，室外空气温度、相对湿度、湿球温度、空气焓值、太阳辐射强度、风向、周日(即星期几)、年日、冷却塔安装位置、微地形特征等可能对冷却塔补水量产生影响。因此，在本发明中，在设定补水阈值可以根据实际工程的需要采用机器学习算法来进行确定。机器学习算法包括神经网络、支持向量机、决策树、Kmeans、随机森林等，各算法在不同的项目特征、用能习惯和环境参数特征下，会有不同的适用性、泛化性能和预测准确性表现。

具体地，若考虑到相对湿度、湿球温度、空气焓值、太阳辐射强度、风向对冷却塔补水量的影响时，可采用机器学习算法确定相对湿度因子、湿球温度因子、空气焓值因子、太阳辐射强度因子、风向因子的值。若只考虑风速、干球温度和空气湿度这三个天气参数对冷却塔补水量的影响，补水阈值的计算公式为：

N1＝N2×α4×α4×α5×α7×α8，

其中，N1为补水阈值，N2为补水安全倍率，α4为相对湿度因子、α5为湿球温度因子、α6为空气焓值因子、α7为太阳辐射强度因子、α8为风向因子。

具体地，若考虑到其他因素对冷却塔补水量的影响，均可采用机器学习算法确定这个因素所对应的影响因子，从而根据这个影响因子来确定补水阈值。冷却塔补水量的影响因素可以通过实际经验来确定。云端智慧管控云平台，其特征在于云平台数据处理和分析，可以直接对测量数据进行存储、分析，还能跨库调取数据，灵活的API接入，实现更大规模的数据挖掘和整理，进而实现更佳的机器学习效果。本发明采用云端智慧管控云平台可以直接在云平台进行数据处理和分析，以及可以直接对测量数据进行存储、分析，还能跨库调取数据，灵活的API接入，实现更大规模的数据挖掘和整理，进而实现更佳的机器学习效果。本发明无需过多的工程改造即可实现，更多的是一种技术策略优化，而无需过重的硬件投资投入；云端智慧管控云平台的机器学习模型可持续训练升级，借助持续的数据积累、大数据分析、AI智能算法的改进等，实现不断提升的优化能力。

本发明实施例首先通过接收远传水表中传感器的冷却塔补水数据；其次通过机器学习算法，判断冷却塔补水量是否符合预设条件；最后若冷却塔补水量不符合预设条件，则向终端设备发送提示信息，用于实时告警提示，从而解决了由浮球阀里面的阀杆生锈或者有杂质所造成的水资源、人力和时间浪费的问题。本发明基于远传水表、通讯系统和云平台，实现对补水量的实时监视，通过对其数据进行智能分析，判断是否存在补水异常，可及时发现异常并告警，也就有效的避免了浮球阀故障导致的大量无效补水。

第二实施例

基于与第一实施例中方法相同的发明构思，相应的，本实施例还提供了一种冷却塔补水异常告警装置。

图5是本发明实施例提供的冷却塔补水异常告警装置的实现流程示意图.

如图5所示，所示装置5包括：51数据接收模块、52数据判断模块、53信息提示模块。

其中，数据接收模块，被配置为接收远传水表中传感器的冷却塔补水数据，所述冷却塔补水数据为遥脉值；

数据判断模块，被配置为通过机器学习算法，判断冷却塔补水量是否符合预设条件，所述冷却塔补水量为当前时间前一段时间的累积补水量；

信息提示模块，被配置为若否，则向终端设备发送提示信息，用于实时告警提示。

在一些示例性实施例中，所述数据判断模块具体包括：

计算单元，用于计算补水倍率；

判断单元，用于采根据补水倍率，通过机器学习算法，判断冷却塔补水量是否符合预设条件。

在一些示例性实施例中，所述计算单元具体包括：

数据获取子单元，用于基于冷却塔补水数据，获取冷却塔各个时间段补水量；

第一计算子单元，用于计算当前时间前一段时间的累积补水量；

第二计算子单元，用于计算历史时段的单位时间的平均补水量，所述单位时间与所述前一段时间相等；

第三计算子单元，用于基于所述累积补水量和平均补水量，计算补水倍率；

补水倍率的计算公式为：

其中，Q1为累计补水量，Q2为平均补水量，N为补水倍率。

在一些示例性实施例中，所述判断单元具体包括：

第一判断子单元，用于若补水倍率大于补水阈值，则冷却塔补水量不符合预设条件；

第二判断子单元，用于若补水倍率小于补水阈值，则冷却塔补水量符合预设条件。

在一些示例性实施例中，所述装置还包括：

设定模块，用于设定补水阈值。

在一些示例性实施例中，所述设定模块具体包括：

天气数据获取单元，用于获取天气参数，所述天气参数包括风速、环境干球温度和空气湿度因子；

影响因子确定单元，用于通过机器学习算法，确定风速因子、干球温度因子和空气湿度因子的值；

补水阈值计算单元，用于基于所述风速因子、干球温度因子和空气湿度因子，计算补水阈值；

补水阈值的计算公式为：

N1＝N2×α1×α2×α3，

其中，N1为补水阈值，N2为补水安全倍率，α1为风速因子，α2为干球温度因子，α3为空气湿度因子。

第三实施例

上述方法和装置可以应用于例如桌上型计算机、笔记本、掌上电脑及云端服务器的终端设备中。

图6为本发明在一实施例中提供的可以应用上述方法和装置的终端设备图，如图所示，所述终端设备6，包括存储器61、处理器60以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现如所述冷却塔补水异常告警方法的步骤。例如图6所示模块51至53的功能。

所述终端设备6可以是云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器60、所述存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

具体可以如下，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序：

计算机可读存储介质，包括所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述冷却塔补水异常告警方法的步骤。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (6)

1.一种冷却塔补水异常告警方法，其特征在于，包括：

接收远传水表中传感器的冷却塔补水数据，所述冷却塔补水数据为遥脉值；

通过机器学习算法，判断冷却塔补水量是否符合预设条件，所述冷却塔补水量为当前时间前一段时间的累积补水量；

若否，则向终端设备发送提示信息，用于实时告警提示；

通过机器学习算法，判断冷却塔补水量是否符合预设条件，具体包括：

计算补水倍率；

根据补水倍率和补水阈值，通过机器学习算法，判断冷却塔补水量是否符合预设条件；

计算补水倍率，具体包括：

基于冷却塔补水数据，获取冷却塔各个时间段补水量；

计算当前时间前一段时间的累积补水量；

计算历史时段的单位时间的平均补水量，所述单位时间与所述前一段时间相等；

基于所述累积补水量和平均补水量，计算补水倍率；

补水倍率的计算公式为：

其中，Q1为累计补水量，Q2为平均补水量，N为补水倍率；

所述通过机器学习算法，判断冷却塔补水量是否符合预设条件之前，还包括：设定补水阈值，具体包括：

获取天气参数，所述天气参数包括风速、环境干球温度和空气湿度因子；

通过机器学习算法，确定风速因子、干球温度因子和空气湿度因子的值；

基于所述风速因子、干球温度因子和空气湿度因子，计算补水阈值。

2.根据权利要求1所述的方法，其特征在于，根据补水倍率，通过机器学习算法，判断冷却塔补水量是否符合预设条件，具体包括：

若补水倍率大于补水阈值，则冷却塔补水量不符合预设条件；

若补水倍率小于补水阈值，则冷却塔补水量符合预设条件。

3.根据权利要求1所述的方法，其特征在于，补水阈值的计算公式为：

N1＝N2×α1×α2×α3，

其中，N1为补水阈值，N2为补水安全倍率，α1为风速因子，α2为干球温度因子，α3为空气湿度因子。

4.一种冷却塔补水异常告警装置，其特征在于，所述装置包括：

数据接收模块，被配置为接收远传水表中传感器的冷却塔补水数据，所述冷却塔补水数据为遥脉值；

数据判断模块，被配置为通过机器学习算法，判断冷却塔补水量是否符合预设条件，所述冷却塔补水量为当前时间前一段时间的累积补水量；

信息提示模块，被配置为若否，则向终端设备发送提示信息，用于实时告警提示；

所述数据判断模块具体包括：

计算单元，用于计算补水倍率；

判断单元，用于根据补水倍率和补水阈值，通过机器学习算法，判断冷却塔补水量是否符合预设条件；

所述计算单元具体包括：

数据获取子单元，用于基于冷却塔补水数据，获取冷却塔各个时间段补水量；

第一计算子单元，用于计算当前时间前一段时间的累积补水量；

第二计算子单元，用于计算历史时段的单位时间的平均补水量，所述单位时间与所述前一段时间相等；

第三计算子单元，用于基于所述累积补水量和平均补水量，计算补水倍率；

补水倍率的计算公式为：

其中，Q1为累计补水量，Q2为平均补水量，N为补水倍率；

所述装置还包括：

设定模块，用于设定补水阈值；

所述设定模块具体包括：

天气数据获取单元，用于获取天气参数，所述天气参数包括风速、环境干球温度和空气湿度因子；

影响因子确定单元，用于通过机器学习算法，确定风速因子、干球温度因子和空气湿度因子的值；

补水阈值计算单元，用于基于所述风速因子、干球温度因子和空气湿度因子，计算补水阈值。

5.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。

6.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。

Images